10-Jahres-CNN übertrifft führende LLMs bei Hautkrebsdiagnose

Dr. Magnus Lynch, Dermatologe am Guy's Hospital in London und Honorarprofessor am King's College London, verglich im Oktober 2026 das OpenAI-Modell GPT-6 Astra und das Anthropic-Modell Claude Fable 5.1 mit einem feingeschulten Modell auf Basis von Inception v3, einem 2015 von Google veröffentlichten Convolutional Neural Network. Gegenstand der Untersuchung war die Hautkrebsdiagnose anhand von 200 histologisch bestätigten Läsionen aus dem öffentlichen Datensatz MILK10k. Für jede Läsion standen klinische Fotografien und dermatoskopische Aufnahmen zur Verfügung. Die Modelle sollten aus sechs Diagnosekategorien die wahrscheinlichste auswählen und einschätzen, ob ein Befund ohne weitere Behandlung entlassen werden kann. Das spezialisierte Bildmodell, das auf 68011 klinischen und dermatoskopischen Bildern aus dem ISIC-Archiv trainiert wurde und im Test vollständig von den Prüfdaten getrennt blieb, übertraf beide Sprachmodelle. Inception v3 traf 125 von 200 Erstdiagnosen, also 62 Prozent. GPT-6 Astra kam auf 84, Claude Fable 5.1 auf 85 richtige Erstantworten, jeweils 42 Prozent. Unter Berücksichtigung einer zweiten Diagnose lag das Bildmodell mit 173 Treffern ebenfalls vor den Sprachmodellen mit 134 und 138. Bei Melanomen entschied Inception v3 mit 13 von 30 Fällen richtig, gegenüber 8 bei GPT-6 Astra und 11 bei Claude Fable 5.1. Bei Plattenepithelkarzinomen lag das Bildmodell mit 16 von 25 deutlich über den Sprachmodellen. Auch harmlose Nävi und seborrhoische Keratosen erkannte es häufiger; GPT-6 Astra zeigte insbesondere bei benignen Läsionen deutliche Schwächen. Die Fehlermodelle der Systeme unterschieden sich stark. GPT-6 Astra neigte zur Diagnose Basalzellkarzinom und bezeichnete 75 Läsionen entsprechend, obwohl nur 25 tatsächlich Basalzellkarzinome waren. Claude Fable 5.1 überdiagnostizierte häufig aktinische Keratosen und traf diese Zuschreibung 53 Mal, obwohl nur 20 Läsionen dieser Kategorie zugeordnet waren. Inception v3 verfehlte mehrere Melanome und stufte sie häufig als Nävus oder seborrhoische Keratose ein. Bei den Sicherheitsmetriken zeigte sich, dass das Bildmodell mit voreingestelltem Schwellenwert mehr sichere Befunde entließ und weniger unsichere Läsionen zurückbehielt; bei angepasster Kalibrierung konnte es jedoch nahezu alle unsicheren Befunde behalten. Im voreingestellten Test wurde ein Melanom entlassen, während GPT-6 Astra drei und Claude Fable 5.1 vier übersehene Melanome aufwiesen. Ein gesonderter Praxistest zeigte zugleich, dass die Ergebnisse stark vom Anwendungsfall abhängen. Wurden die Sprachmodelle aus Patientensicht mit nur einem klinischen Bild und der Frage nach dem Arztbesuch befragt, rieten sie bei 99 beziehungsweise 98 von 100 histologisch bestätigten Melanomen zur ärztlichen Abklärung, ebenso bei vielen harmlosen Läsionen. Die Untersuchung verdeutlicht, dass ein kleines, spezialisiertes und architektonisch älteres Bildmodell frontier LLMs bei reiner Bildklassifikation überbieten kann. Das Modell ist zudem klein genug, um vollständig im Mobilbrowser mit WebGPU zu laufen, ohne dass Bilder hochgeladen werden. Für den medizinischen Einsatz zeigt das Ergebnis, dass die Sprachkompetenz großer Modelle nicht automatisch in zuverlässige dermatologische Bilddiagnostik übertragbar ist.